Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan Algoritme Genetika

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 7, Juli 2018, hlm. 2760-2769

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan Algoritme Genetika Ika Oktaviandita1, Imam Cholissodin2, Putra Pandu Adikara3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Unversitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Selama masa kehamilan ibu hamil disarankan untuk menjaga kecukupan gizi terutama energi dan protein. Asupan gizi yang tidak mencukupi akan menyebabkan ibu hamil berisiko mengalami Kurang Energi Kronis (KEK). Pada penelitian ini akan diberikan rekomendasi susunan bahan makanan yang memiliki gizi seimbang dengan harga minimal menggunakan algoritme genetika. Proses pencarian solusi adalah dengan melakukan kombinasi kromosom lalu diproses menggunakan operator genetika (crossover, mutasi, dan seleksi). Proses pindah silang (crossover) menggunakan metode one cut point, metode mutasi yang digunakan adalah exchange mutation, dan proses seleksi menggunakan metode seleksi elitism. Parameter algoritme genetika yang dibutuhkan adalah ukuran populasi, Crossover rate (Cr), Mutation rate (Mr), dan jumlah generasi. Pada sistem ini diperoleh hasil optimasi terbaik pada ukuran populasi sebanyak 100 populasi dengan rata-rata nilai fitness 17,744, nilai Cr sebesar 0,5 dan nilai Mr sebesar 0,5 dengan rata-rata nilai fitness 17,983, dan pada jumlah generasi 100 dihasilkan ratarata nilai fitness sebesar 17,962. Hasil yang diperoleh adalah rekomendasi susunan bahan makanan selama 7 hari beserta biaya yang harus dikeluarkan. Namun hasil tersebut masih belum memenuhi kebutuhan ibu hamil secara maksimal. Kata kunci: ibu hamil kurang energi kronis, gizi, algoritme genetika

Abstract Women during pregnancy are advised to maintain nutritional adequacy, especially energy and protein. Inadequate nutrition intake will cause pregnant women at risk of Chronic Lack of Energy or in Indonesian called as Kurang Energi Kronis (KEK). In this research given recommendations of the composition of foodstuffs that have balanced nutrition with minimal price using genetic algorithm. The process of finding a solution is to perform a combination of chromosomes and then processed using genetic operators (crossover, mutation, and selection). Crossover process using one cut point method, mutation method used is exchange mutation, and selection process using selection elitism method. Need of parameters of genetic algorithm are population size, Crossover rate (Cr), Mutation rate (Mr), and number of generations. In this system obtained the best optimization results on the population size of 100 population with average fitness value 17.744, Cr value of 0.5 and the value of Mr of 0.5 with average fitness value 17.983, and on the number of generations 100 generated average Average fitness value of 17.962. The results obtained recommendations of the composition of foodstuffs for 7 days along with the costs to be incurred. However, these results still do not meet the maximal needs during pregnancy. Keywords: lack chronic energy of pregnancy, nutrition, genetic algorithm

1.

pematangan dan penyempurnaan sehingga ibu hamil disarankan untuk menjaga kecukupan gizi terutama energi dan protein (Dinkes, 2015). Asupan energi dan protein yang tidak mencukupi akan menyebabkan ibu hamil berisiko mengalami Kurang Energi Kronis (KEK). Wanita hamil dikatakan Kurang Energi Kronis (KEK) jika ukuran lingkar lengan atas

PENDAHULUAN

Saat hamil kondisi fisiologis ibu mengalami perubahan. Pada trimester I akan terjadi pembentukan dan perkembangan beberapa organ vital serta pembentukan kepala dan sel-sel otak janin. Kemudian di trimester II dan III semua fungsi organ pada janin akan mengalami Fakultas Ilmu Komputer Universitas Brawijaya

2760

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

(LILA) kurang dari 23,5 cm (Kemenkes, 2016). Di negara-negara berkembang seperti Bangladesh, India, Indonesia, Myanmar, Nepal, Srilanka dan Thailand prevalensi KEK sebesar 15-47% (Lubis, 2015). Berdasarkan data yang diperoleh Riset Kesehatan Dasar (Riskesdas) tahun 2013, prevalensi ibu hamil yang berisiko mengalami Kurang Energi Kronis (KEK) sebesar 24,2% (Kemenkes, 2016). Di Desa Banyuates Kabupaten Sampang, berdasarkan hasil wawancara dengan bidan setempat, pada tahun 2015 terdapat 162 ibu hamil yang mana 30% di antaranya menderita risiko tinggi atau kekurangan energi. Tingginya angka kurang gizi pada ibu hamil ini berkontribusi terhadap tingginya angka bayi dengan berat lahir rendah (BBLR) di Indonesia. Prevalensi angka BBLR di Indonesia pada anak usia 0-59 bulan memiliki berat lahir kurang dari 2.500 gram mencapai 11,1% (Riskesdas, 2013). Tingginya angka ibu hamil yang mengalami Kurang Energi Kronis (KEK) di Indonesia merupakan tanda bahwa sedikit ibu hamil yang mencukupi kebutuhan gizinya saat hamil. Selain dari ibu hamil itu sendiri, masalah gizi ini merupakan hal yang sangat perlu diperhatikan oleh pemerintah dan juga petugas kesehatan. Untuk mencukupi kebutuhan gizi pada saat hamil, makanan yang harus dikonsumsi oleh ibu hamil Kurang Energi Kronis (KEK) hendaknya mengandung jumlah yang cukup dan kualitas yang baik. Untuk menjaga asupan makanan yang harus dikonsumsi ibu hamil terutama yang mengalami Kurang Energi Kronis (KEK), dibutuhkan cara khusus yang dapat memenuhi kebutuhan gizi ibu hamil Kurang Energi Kronis (KEK) selama masa kehamilan. Salah satu cara yang dapat digunakan untuk memenuhi kebutuhan gizi ibu hamil Kurang Energi Kronis (KEK) adalah dengan memberikan ibu hamil susunan bahan makanan dengan gizi seimbang. Oleh karena itu, pada penelitian ini akan dikembangkan suatu sistem yang dapat membantu ibu hamil Kurang Energi Kronis (KEK) di Indonesia untuk mendapatkan susunan bahan makanan yang paling optimal. Dalam menentukan susunan bahan makanan yang memiliki gizi seimbang dengan harga minimal dibutuhkan suatu metode penyelesaian. Salah satu metode yang dapat digunakan adalah algoritme genetika. Algoritme genetika merupakan tipe Algoritme Evolusi yang memiliki kemampuan untuk menyelesaikan masalah. Algoritme genetika dapat dipakai di banyak kasus yang menghadapi Fakultas Ilmu Komputer, Universitas Brawijaya

2761

masalah optimasi yang rumit bahkan sulit dibangun. Algoritme genetika adalah algoritme yang bisa digunakan untuk permasalahan optimasi dalam berbagai bidang yang memiliki area pencarian sangat luas. Selain itu algoritme genetika bisa digunakan untuk berbagai macam data seperti data numerik maupun analitik (Mahmudy, 2013). Pada penelitian sebelumnya, pernah dikembangkan sistem yang berhubungan dengan optimasi asupan gizi menggunakan algoritme genetika yang dilakukan oleh Ayu Puspo Sari yang mana penelitian ini ditujukan pada ibu hamil normal atau tidak mengalami gangguan kehamilan pada masa kehamilan. Penelitian tersebut menggunakan 150 data diuji dengan panjang kromosom 5-15 gen dan didapatkan hasil terbaik dengan rata-rata nilai fitness tertinggi yaitu 142670 yang mendekati kebutuhan gizi ibu hamil pada jumlah generasi 1500, ukuran populasi 150 dengan rata-rata nilai fitness sebesar 143050, nilai peluang crossover adalah 0,4 dan nilai peluang mutasi adalah 0,6 dengan rata-rata nilai fitness 142725. Keluaran atau output yang dihasilkan adalah nilai kebutuhan gizi ibu hamil, seperti nilai kebutuhan energi, lemak, protein, dan karbohidrat. Namun, dalam penelitian tersebut masih terdapat sedikit kekurangan yakni kebutuhan ibu hamil yang belum terpenuhi karena disebabkan oleh beberapa hal diantaranya adalah data bahan makanan yang tidak memiliki variasi berat konsumsi, tidak ada pengelompokan bahan makanan, dan pembobotan berat bahan makanan sesuai dengan pengelompokannya. Berdasarkan pemaparan latar belakang di atas, penulis melakukan penelitian berjudul “Optimasi Susunan Bahan Makanan Untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan Algoritme Genetika”. Penelitian tersebut menggunakan metode algoritme genetika untuk menghasilkan kombinasi kromosom terbaik sehingga akan diperoleh susunan bahan makanan untuk ibu hamil penderita KEK yang memiliki kandungan gizi seimbang dengan harga yang minimal. 2.

DASAR TEORI

2.1 Kurang Energi Kronis (KEK) Departemen Kesehatan RI tahun 2002 menyatakan bahwa Kurang Energi Kronis (KEK) adalah suatu kondisi kekurangan gizi akut yang disebabkan oleh kurangnya konsumsi


makanan dalam jumlah cukup atau nilai gizinya kurang yang dapat berlangsung pada wanita usia subur (WUS) dan wanita yang sedang hamil (Lubis, 2015). Ibu hamil dapat mengalami Kurang Energi Kronis (KEK) biasanya karena sejak sebelum hamil ibu telah kekurangan energi sedangkan saat masa kehamilan dibutuhkan lebih banyak energi. Kehamilan menyebabkan metabolisme energi meningkat sehingga dibituhkan lebih banyak energi dan zat gizi lainnya yang dibutuhkan dalam pertumbuhan dan perkembangan janin, organ kandungan yang bertambah besar, persiapan ibu melahirkan dan menyusui, perubahan komposisi dan metabolisme tubuh ibu (Sari, et al., 2011). Kurang Energi Kronis (KEK) pada ibu hamil dapat mengakibatkan ibu terus menerus merasa letih, sering kesemutan, muka terlihat pucat, akan mengalami kesulitan saat melahirkan, dan ASI pada ibu setelah melahirkan tidak cukup untuk memenuhi kebutuhan bayi. Selain itu Kurang Energi Kronis (KEK) juga berdampak buruk bagi janin yang sedang dikandung. Kurang Energi Kronis (KEK) dapat menyebabkan terganggunya pertumbuhan janin, bayi berat lahir rendah (BBLR), perkembangan otak janin terhambat sehingga dapat menyebabkan bayi lahir prematur, serta dapat menyebabkan kematian pada bayi (Lubis, 2015). Menurut Departemen Kesehatan RI tahun 1996, risiko Kurang Energi Kronis (KEK) dapat dapat diketahui dengan mengukur lingkar lengan atas (LILA) jika < 23,5 cm. Selain menggunakan LILA (Ariyani, 2012).

2762 (Total Kebutuhan Energi) TEE KEK : TEE pada ibu hamil penderita kurang energi BEE : Basal Energy Expenditure (Kebutuhan Energi Basal) BB: Berat Badan (digunakan berat badan yang tertimbang saat ini) TB : Tinggi Badan U : Usia KF : Kegiatan Fisik NKF : Nilai Kegiatan Fisik FIT : Food Induced Thermogenesis T : Trimester

Kegiatan fisik ibu hamil dibagi menjadi kegiatan sangat ringan, ringan, sedang, dan berat. Tabel 1 menjelaskan kegiatan fisik ibu hamil. Tabel 1. Kegiatan Fisik No

Kegiatan Fisik

Nilai

1

Sangat ringan

10%

Duduk, berdiri, mengecat, menyetir, mengetik, menjahit, menyetrika, memasak

2

Ringan

20%

Ibu rumah tangga

3

Sedang

30%

Mengangkat beban, bersepeda, berdagang

4

Berat

40%

Berjalan dengan beban berat

Keterangan

Sumber: Darusman (2016)

Nilai Food Induced Thermogenesis (FIT) dapat dilihat pada Tabel 2.

2.2 Perhitungan Kebutuhan Gizi

Tabel 2. Food Induced Thermogenesis (FIT)

Untuk menghitung kebutuhan energi dapat digunakan metode Harris Benedict seperti dalam persamaan (1) sampai (3) (Darusman, 2016):

No

𝐵𝐸𝐸 = 655 + (9,6 × 𝐵𝐵) + (1,4 × 𝑇𝐵) − (4,7 × 𝑈) (1)

Minggu

Bulan

Trimester

Nilai

1

1-12

1-3

Trimester 1

10%

2

13-24

4-6

Trimester 2

20%

3

25-36

7-9

Trimester 3

30%

𝐾𝐹 = 𝑁𝐾𝐹 × 𝐵𝐸𝐸

(2)

Sumber: Darusman (2016)

𝐹𝐼𝑇 = 𝑇 × (𝐵𝐸𝐸 + 𝐾𝐹)

(3)

Persentase makan pagi sebanyak 25% dari total TEE KEK, makan siang adalah 25% dari total TEE KEK, dan makan malam sebanyak 20% dari TEE KEK (Kristiyanasari, 2010). Kebutuhan karbohidrat = 60% dari TEE KEK. Kebutuhan protein = 12% dari TEE KEK. Kebutuhan lemak = 25% dari TEE KEK.

Selanjutnya untuk menghitung kebutuhan energi menggunakan persamaan (4). 𝑇𝐸𝐸 = 𝐵𝐸𝐸 + 𝐾𝐹 + 𝐹𝐼𝑇

(4)

Kebutuhan energi ibu hamil KEK dapat dihitung dengan persamaan (5). 𝑇𝐸𝐸 𝐾𝐸𝐾 = 𝑇𝐸𝐸 + 360

Keterangan: TEE

(5)

: Total Energy Expenditure

Fakultas Ilmu Komputer, Universitas Brawijaya

3.

ALGORITME GENETIKA

Proses awal dalam algoritme genetika adalah inisialisasi yang mana pada proses ini


akan diciptakan individu baru yang memiliki kromosom. Proses selanjutnya adalah reproduksi. Dalam proses ini akan dihasilkan child (offspring) dari semua individu yang terdapat dalam populasi (Mahmudy, 2013). Offspring di-generate dengan teknik kawin silang (crossover) dan mutasi (mutation). Proses selanjutnya adalah evaluasi untuk menghitung nilai fitness setiap kromosom. Jika nilai fitness yang dihasilkan tinggi, maka peluang kromosom tersebut terpilih menjadi menjadi calon solusi juga akan semakin besar. Selanjutnya adalah proses seleksi. Proses ini dilakukan untuk memilih individu dari populasi gabungan untuk dipakai lagi pada generasi selanjutnya. Individu memiliki peluang besar terpilih jika memiliki nilai fitness tinggi (Mahmudy, 2013). Tahapan penyelesaian masalah menggunakan algoritme genetika dijelaskan Gambar 1.

2763

representasi kromosom pantas untuk suatu permasalahan, maka bentuk kromosom yang digunakan menyesuaikan dengan permasalahan yang akan diselesaikan (Mahmudy, 2013). Penelitian ini menggunakan 176 daftar bahan makanan yang dibagi menjadi 8 kelompok sumber kandungan (karbohidrat, protein hewani, protein nabati, sayuran, buah, gula, lemak dan susu). Panjang kromosom per hari adalah 24 gen yang merepresentasikan 8 jenis bahan makanan untuk 3 kali makan dalam sehari. Index bahan makanan diwakili oleh angka permutasi dari 1 sampai 55 3.2 Inisialisasi Populasi Awal Menurut Mahmudy (2013), proses inisialisasi merupakan langkah awal pemecahan untuk pencarian solusi yang mana pada tahap ini akan dihidupkan kumpuan menyelesaian secara acak (random) yang berisi string kromosom. Kromosom tersebut akan dialokasikan di sebuah populasi atau popSize. 3.3 Reproduksi Proses reproduksi merupakan tahap untuk menciptakan individu baru dari individu di dalam populasi. Individu baru tersebut bisa didapatkan dengan cara pindah silang (crossover) dan mutasi (mutation) (Mahmudy, 2013). a.

Crossover

Pada proses Crossover harus ditentukan lebih dulu nilai probabilitas crossover (Pc) atau Crossover rate (Cr). Nilai offspring yang dihasilkan adalah sebanyak Cr×popSize. Terdapat beberapa metode dalam proses crossover, salah satunya adalah metode one cut point yang digunakan dalam representasi bilangan biner dan permutasi (Mahmudy, 2013). Contoh proses one-cut-point Crossover ditunjukkan oleh Tabel 3. Tabel 3. Contoh Proses Crossover Gambar 1. Diagram Alir Algoritme Genetika

3.1 Representasi Kromosom Representasi kromosom adalah proses untuk memetakan penyelesaian dari persoalan menjadi kromosom. Bentuk-bentuk representasi kromosom yaitu biner, integer, real, dan permutasi. Belum tentu semua bentuk Fakultas Ilmu Komputer, Universitas Brawijaya

P 2 P 3

1 2 3 7

C 1 C 2

1 2 3 7

b.

8 1 1 8 1 1

2 9 3 1

1 5 2 3

5 2 3 2

2 8 2 4

3 5 2 4

2 9 3 1

1 5 2 3

5 2 3 2

2 4 2 8

2 4 3 5

4 1 7 4 1 7

3 0 4 1

2 2 2 7

4 7 5 0

4 2 4 8

1 0 2 8

5 3 1 0

3 0 4 1

2 2 2 7

4 7 5 0

4 2 4 8

1 0 2 8

1 0 5 3

9 2 6 2 6 9

Mutasi

Metode mutasi yang biasa digunakan pada representasi kromosom permutasi yaitu reciprocal exchange mutation dan insertion mutation. Penelitian ini menggunakan metode


2764

reciprocal exchange mutation yang mana cara kerja metode tersebut ialah memilih dua gen secara acak dan menukar nilai posisi kedua gen tersebut. Gambar 2 menunjukkan cara kerja metode exchange mutation.

Gambar 2. Cara Kerja Exchange Mutation

3.4 Evaluasi Tahap evaluasi merupakan proses untuk menghitung fitness dari setiap kromosom yang ada (Mahmudy, 2013). Pada kasus optimasi, jika penyelesaian yang dicari mengoptimalkan fungsi f(x) maka nilai fitness adalah nilai f(x) tersebut seperti yang ditunjukkan persamaan 6, sedangkan pada permasalahan minimasi, nilai fitness dapat dicari dengan persamaan 7. 𝑓 = 𝑓(𝑥) 𝑓=

1 𝑓(𝑥)

×𝐶

Keterangan: f = nilai fitness C = konstanta pembagian nol

untuk

(6)

4.1 Studi Literatur

(7)

Studi literatur dibutuhkan untuk mempelajari serta menjelaskan dasar teori dan kajian pada buku maupun hasil penelitian sebelumnya dalam melakukan langkah selanjutnya.

menghindari

3.5 Seleksi Proses seleksi merupakan tahapan menentukan individu mana yang tetap bertahan dan digunakan pada generasi setelahnya. Terdapat beberapa metode dalam proses seleksi yaitu binary tournament, elitism, dan roulette wheel (Mahmudy, 2013). 4.

METODOLOGI PENELITIAN

Penelitian ini dimulai dari mencari studi literatur, mengumpulkan data, melakukan analisis dan merancang sistem, membuat implementasi, melakukan uji coba sistem dan memberikan kesimpulan. Tahapan atau alur metode penelitian akan diuraikan pada Gambar


Gambar 3. Diagram Alur Penelitian

4.2 Pengumpulan Data Cara yang dilakukan untuk mengumpulkan data yang dibutuhkan adalah dengan melakukan studi literatur dan survei langsung. Berikut data yang diperlukan untuk penelitian ini: 1. Daftar bahan makanan penukar 2. Daftar harga bahan makanan di daerah Malang yang didapat dengan melakukan survei 3. Data ibu hamil KEK didapat dari Bidan Praktik Swasta (BPS) di Desa Banyuates Kabupaten Sampang 4.3 Analisis dan Perancangan Sistem Analisis kebutuhan sistem dilakukan untuk mengetahui kebutuhan yang wajib ada dalam sistem. Kebutuhan yang harus dalam sistem terdiri dari kebutuhan fungsional dan kebutuhan non fungsional. Pada penelitian ini, kebutuhan sistem meliputi:


1.

2.

3.

Sistem dapat menampilkan susunan bahan makanan sesuai kebutuhan ibu hamil Kurang Energi Kronis (KEK) dengan harga minimum Sistem bisa melakukan input dan menampilkan parameter umur, usia kandungan, berat badan, tinggi badan, aktivitas, dan lingkar lengan atas (LILA) Sistem mampu menampilkan kebutuhan gizi ibu hamil Kurang Energi Kronis (KEK) yang terdiri dari kebutuhan energi, karbohidrat, lemak, dan protein serta rekomendasi susunan bahan makanan

Perancangan sistem adalah langkah untuk mempersiapkan perangkat lunak sesuai dengan implementasi algoritme genetika pada optimasi susunan bahan makanan untuk ibu hamil Kurang Energi Kronis (KEK).

2765

5.1 Hasil dan Analisis Pengujian Berdasarkan Jumlah Populasi Pengujian berdasarkan jumlah populasi dilakukan untuk mengetahui pengaruh jumlah populasi terhadap rata-rata nilai fitness yang dihasilkan. Pengujian ini menggunakan 10 populasi yang dimulai dari populasi dengan jumlah 10 sampai populasi berjumlah 100 dengan kelipatan 10. Pengujian berdasarkan jumlah populasi ini dilakukan sebanyak 10 kali percobaan pada dengan menggunakan jumlah generasi sebanyak 100 generasi. Nilai Cr yang digunakan adalah 0,6 dan Mr yang digunakan adalah 0,4. Gambar 4 menunjukkan grafik hasil pengujian berdasarkan jumlah populasi.

4.4 Implementasi Dalam proses ini, sistem akan diaplikasikan sesuai dengan perencanaan sistem yang telah dilakukan. Implementasi sistem mencakup implementasi database dan implementasi program. Database akan diimplementasikan dengan MySQL dan program akan diterapkan dengan bahasa pemrograman Java menggunakan aplikasi Netbeans. 4.5 Pengujian Sistem Setelah proses implementasi, selanjutnya akan dilakukan pengujian sistem. Pada tahap ini akan dilakukan pengamatan terhadap kestabilan fitness yang diperoleh sistem. Parameter yang akan diuji dalam pengujian sistem ialah: 1. Jumlah populasi; 2. Kombinasi Crossover rate (Cr) dan mutation rate (Mr); 3. Banyaknya generasi. 4.6 Kesimpulan Tahap terakhir yang akan dilakukan adalah mengambil kesimpulan. Penarikan kesimpulan didasarkan pada hasil yang didapat pada tahap yang telah dilakukan sebelumnya. Kesimpulan merupakan jawaban dari rumusan masalah yang telah disebutkan pada bab 1. Selain kesimpulan, langkah akhir penelitian akan memberi saran mengenai penelitian tersebut agar dapat digunakan sebagai bahan penelitian selanjutnya. 5.

HASIL DAN PEMBAHASAN


Gambar 4. Grafik Hasil Pengujian Berdasarkan Jumlah Populasi

Pengujian ini menghasilkan rata-rata nilai fitness tertinggi pada jumlah populasi ke-100 dengan rata-rata nilai fitness sebesar 17,744. Berdasarkan grafik tersebut, diketahui bahwa semakin banyak jumlah populasi belum tentu nilai fitness yang dihasilkan akan tinggi. Hal ini dikarenakan pada pembangkitan populasi awal algoritme genetika dilakukan secara acak (random). Jumlah populasi yang banyak dapat menghasilkan nilai fitness yang semakin baik. Mahmudy (2013) menyatakan bahwa nilai jumlah populasi yang banyak akan memperluas ruang eksplorasi sehingga peluang untuk mendapatkan solusi terbaik menjadi lebih besar sedangkan dengan jumlah populasi yang terlalu sedikit dapat mempersempit area pencarian solusi (Mahmudy dalam Kusumaningsih, 2013). 5.2 Hasil dan Analisis Pengujian Berdasarkan Kombinasi Nilai Cr dan Mr Pengujian berdasarkan kombinasi nilai Cr dan Mr dilakukan untuk mengetahui pengaruh kedua parameter tersebut terhadap rata-rata nilai fitness yang dihasilkan. Pada pengujian ini, nilai Cr dimulai dari angka 0,1 sampai 0,9 dan nilai


Mr dimulai dari 0,9 sampai 0,1. Pengujian berdasarkan kombinasi nilai Cr dan Mr ini dilakukan sebanyak 10 kali percobaan dengan menggunakan jumlah populasi sebanyak 100 populasi dan jumlah generasi sebanyak 100 generasi. Hasil pengujian berdasarkan kombinasi nilai Cr dan Mr dijelaskan Gambar 5.

2766

generasi sebanyak 10 sampai generasi 100 dengan kelipatan 10. Setiap generasi dilakukan pengujian sebanyak 10 kali percobaan kemudian pada setiap generasi dihitung rata-rata nilai fitness-nya. Parameter yang digunakan adalah jumlah populasi sebanyak 100 populasi dan kombinasi nilai Cr sebesar 0,5 dan nilai Mr sebesar 0,5. Grafik hasil pengujian berdasarkan jumlah generasi disajikan pada Gambar 6.

Gambar 5. Hasil Pengujian Berdasarkan Kombinasi Nilai Cr dan Mr

Berdasarkan pengujian yang telah dilakukan, diperoleh hasil rata-rata nilai fitness tertinggi pada kombinasi nilai Cr dan Mr sebesar 0,5 dan 0,5 dengan rata-rata nilai fitness sebesar 17,983 sedangkan rata-rata nilai fitness terkecil dihasilkan oleh kombinasi nilai Cr sebesar 0,1 dan Mr sebesar 0,9 dengan rata-rata nilai fitness sebesar 17,648. Diperoleh rata-rata nilai fitness tertinggi pada nilai Cr sebesar 0,5 dan nilai Mr dan 0,5 dikarenakan kinerja algoritme genetika yang memiliki kemampuan melakukan eksplorasi dan eksploitasi pada ruang pencarian. Jika kemampuan eksplorasi dan eksploitasi seimbang, maka akan didapatkan solusi yang optimal atau mendekati optimal. Jika nilai Cr terlalu kecil dan nilai Mr terlalu besar maka proses algoritme genetika akan sangat bergantung pada proses mutasi. Hal ini dapat menyebabkan proses eksploitasi pada ruang pencarian tidak bisa dilakukan dengan efektif. Sebaliknya, jika nilai Cr terlalu besar dan nilai Mr terlalu kecil juga dapat membuat algoritme genetika bekerja tidak optimal sehingga saat melakukan proses eksplorasi pada ruang pencarian tidak dilakukan secara efektif (Mahmudy, 2013). 5.3 Hasil dan Analisis Pengujian Berdasarkan Jumlah Generasi Pengujian yang dilakukan berdasarkan jumlah generasi dilakukan untuk mengetahui pengaruh jumlah generasi terhadap rata-rata nilai fitness. Dalam penelitian ini dilakukan pengujian terhadap 10 generasi dimulai dari jumlah Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 6. Grafik Hasil Pengujian Berdasarkan Jumlah Generasi

Hasil pengujian berdasarkan jumlah generasi yang ditunjukkan pada Tabel 6.3 dan Gambar 6.3 diperoleh rata-rata nilai fitness tertinggi sebesar 17,962 pada jumlah generasi 100. Gambar 6.3 juga menunjukkan adanya ratarata nilai fitness paling rendah terdapat pada jumlah generasi 10 yang menghasilkan rata-rata nilai fitness sebesar 16,414. Jumlah generasi 10 memiliki nilai fitness rendah karena eksplorasi pada ruang pencarian yang lebih kecil dibandingkan eksplorasi pada ruang pencarian jumlah generasi 100 yang lebih besar. Berdasarkan pengujian generasi yang telah dilakukan, rata-rata nilai fitness dari generasi 70 sudah mulai konvergen. Untuk mengetahui nilai fitness pada setiap generasi dapat menggunakan pengujian konvergensi. Pengujian konvergensi merupakan proses menguji generasi mana yang menghasilkan nilai fitness konvergen atau mendekati konvergen. Hasil pengujian konvergensi dalam bentuk grafik dapat dilihat pada Gambar 7.


Gambar 7. Grafik Hasil Pengujian Konvergensi

6. KESIMPULAN Kesimpulan yang didapat dari penelitian optimasi susunan bahan makanan untuk ibu hamil Kurang Energi Kronis (KEK) menggunakan algoritme genetika adalah sebagai berikut: 1. Proses penyelesaian masalah optimasi susunan bahan makanan untuk ibu hamil Kurang Energi Kronis (KEK) menggunakan algoritme genetika menggunakan kromosom sepanjang 168 gen yang merupakan representasi indeks bahan makanan selama 7 hari dengan 3 kali makan dalam sehari menggunakan 8 jenis bahan makanan. 2. Hasil optimasi dipengaruhi oleh parameter algoritme genetika yang digunakan. Pada sistem ini diperoleh hasil optimasi terbaik pada ukuran populasi sebanyak 100 populasi dengan rata-rata nilai fitness 17,744, nilai Cr sebesar 0,5 dan nilai Mr sebesar 0,5 dengan rata-rata nilai fitness 17,983, dan pada jumlah generasi 100 dihasilkan rata-rata nilai fitness sebesar 17,962. Hasil solusi berupa rekomendasi susunan bahan makanan selama 7 hari dengan harga yang minimum. Berdasarkan hasil pengujian terhadap data ibu hamil KEK, rata-rata biaya konsumsi yang dapat dihemat sekitar Rp 10.000,00 dengan kandungan gizi terpenuhi adalah energi, karbohidrat, protein dan lemak.

2767

Baliwati, Y. F. & Martianto, D., 2012. Konsumsi Pangan 3B-Beragam, Bergizi Seimbang (Produk-produk pekarangan yang mendukung 3B). Jakarta: Pusat Penganekaragaman Konsumsi dan Keamanan Pangan Badan Ketahanan Pangan Kementrian Pertanian. Chandradewi, A., 2015. Pengaruh Pemberian Makanan Tambahan Terhadap Peningkatan Berat Badan Ibu Hamil KEK (Kurang Energi Kronis) di Wilayah Kerja Puskesmas Labuan Lombok. Jurnal Kesehatan Prima, 9(1), pp. 1391-1402. Darusman, I., 2016. Sistem Informasi Pemenuhan Nutrisi pada Masa Kehamilan Menggunakan Metode Harris Benedict. Kediri: Fakultas Teknik. Universitas Nusantara Persatuan Guru Republik Indonesia. Departemen Kesehatan RI, 1994. Penggunaan Alat Ukur Lingkar Lengan Atas (LLA) Pada Wanita Useia Subur (WUS). Jakarta: Departemen Kesehatan RI. Departemen Kesehatan RI, 2002. Pedoman Prakts Pemantauan Status Gizi Orang Dewasa. Jakarta: Departemen Kesehatan RI. Departemen Kesehatan RI, 2007. Pedoman Pengukuran dan Pemeriksaan. Jakarta: Departemen Kesehatan RI.

DAFTAR PUSTAKA

Dinas Kesehatan Kabupaten Pasuruan, 2015. Gizi Seimbang untuk Ibu Hamil. Pasuruan: Dinas Kesehatan Kabupaten Pasuruan.

Afandie, M. N., 2013. Implementasi Metode KNearest Neighbor untuk Pendukung Keputusan Pemilihan Menu Makanan Sehat dan Bergizi. Malang: Fakultas Ilmu Komputer. Universitas Brawijaya.

Eliantara, F., 2016. Implementasi Algoritme Particle Swarm Optimization untuk Optimasi Pemenuhan Kebutuhan Gizi Keluarga. Malang: Fakultas Ilmu Komputer. Unversitas Brawijaya.

Ariyani, D. E., 2012. Validitas Ukuran Lingkar Lengan Atas Terhadap Indeks Massa Tubuh dalam Mendeteksi Risiko Kekurangan Energi Kronis pada Wanita (20-45 Tahun) di Indonesia. Depok: Fakultas Kesehatan Masyarakat. Program Studi Ilmu Gizi. Universitas Indonesia.

Fathonah, S., 2016. Gizi dan Kesehatan untuk Ibu Hamil. Jakarta Timur: Erlangga.

Ariyani, D. E., Achadi, E. L. & Irawati, A., 2012. Validitas Lingkar Lengan Atas Mendeteksi Risiko Kekurangan Energi Kronis pada Wanita Indonesia. Jurnal Kesehatan Masyarakat Nasional, 7(2), pp. 83-90. Fakultas Ilmu Komputer, Universitas Brawijaya

Febry, A. B., Pujiastuti, N. & Fajar, I., 2013. Ilmu Gizi untuk Praktisi Kesehatan. Yogyakarta: Graha Ilmu. Istiany, A. & Ruslianti, 2013. Gizi Terapan. Bandung: PT Remaja Rosdakarya. Janata, A. & Haerani, E., 2015. Sisrem Penjadwalan Outsourcing Menggunakan Algoritme Genetika. Jurnal CoreIT, 1(2), pp. 17-24.


Kementerian Kesehatan RI, 1994. Penggunaan Alat Ukur Lingkar Lengan Atas (LILA) pada Wanita Usia Subur (WUS). Jakarta: Kementerian Kesehatan RI. Kementerian Kesehatan RI, 2010. Pedoman Gizi Ibu Hamil dan Pengembangan Makanan Tambahan Ibu Hamil Berbasis Pangan. Jakarta: Kementerian Kesehatan RI. Kementerian Kesehatan RI, 2014. Pedoman Gizi Seimbang. Jakarta: Kementerian Kesehatan RI. Kementerian Kesehatan RI, 2016. Status Gizi. Jakarta Selatan: Info DATIN - Pusat Data dan Informasi Kementerian Kesehatan RI. Kristiyanasari, W., 2010. Gizi Ibu Hamil. Yogyakarta: Nuha Medika. Kusumaningsih, F. D., 2016. Penerapan Algoritme Genetika Pada Optimasi Susunan Bahan Makanan Untuk Pemenuhan Kebutuhan Gizi Keluarga. DORO: Repository Jurnal Mahaswa PTIIK Universitas Brawijaya, 8(27). Kuswanti, I., 2014. Asuhan Yogyakarta: Pustaka Pelajar.

Kehamilan.

Lean, M. E. J., 2013. Ilmu Pangan, Gizi & Kesehatan. Yogyakarta: Pustaka Pelajar. Lubis, L. A., 2015. Faktor-Faktor yang Berhubungan dengan Kejadian Kekurangan Energi Kronik (KEK) pada Ibu Hamil di Puskesmas Langsa Lama Kota Langsa Tahun 2015. [Online] Available at: http://repository.usu.ac.id/bitstream/12345 6789/56453/4/Chapter%20II.pdf [Diakses 2 Februari 2017]. Mahmudy, W. F., 2013. Algoritme Evolusi. Malang: Program Teknologi Informasi dan Ilmu Komputer. Universitas Bawijaya. Marlenywati, 2010. Risiko Kurang Energi Kronis (KEK) Pada Ibu Hamil Remaja (Usia 15-19 Tahun) di Kota Pontianak Tahun 2010. Depok: Fakultas Kesehatan Masyarakat. Program Studi Ilmu Kesehatan Masyarakat. Universitas Indonesia. Menteri Kesehatan RI, 2013. Peraturan Menteri Kesehatan RI No. 75 tahun 2013 tentang Angka Kecukupan Gizi yang dianjurkan bagi Bangsa Indonesia. Jakarta: Menteri Kesehatan RI. Fakultas Ilmu Komputer, Universitas Brawijaya

2768

Muliawati, S., 2013. Faktor Penyebab Ibu Hamil Kurang Energi Kronis di Puskesmas Sambi Kecamatan Sambi Kabupaten Boyolali Tahun 2012. Infokes Jurnal Ilmiah Rekam Medis dan Informatika Kesehatan, 3(3), pp. 40-62. Muslihatun, 2009. Dokumentasi Kebidanan. Yogyakarta: Fitramaya. Nirwana, A. B., 2011. Kapita Selekta Kehamilan. Yogyakarta: Nuha Medika. Nurvenus, K., 2015. Penerapan Algoritme Genetika Untuk Optimasi Asupan Gizi Pasien Diet Khusus Dengan Biaya Minimal. Malang: Skripsi. FILKOM. Universitas Brawijaya. Poedyasmoro, 2005. Buku Praktis Ahli Gizi. Malang: Politeknik Kesehatan Malang. Prawirohardjo, 2008. Ilmu Kebidanan. Jakarta: Bina Pustaka. Rismawan, T. & Kusumadewi, S., 2007. Aplikasi Algoritme Genetika Untuk Penentuan Komposisi Bahan Pangan Harian. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007), pp. 73-77. Sari, A. P., Mahmudy, W. F. & Dewi, C., 2014. Optimasi Asupan Gizi Pada Ibu Hamil dengan Menggunakan Algoritme Genetika. DORO: Repository Jurnal Mahaswa PTIIK Universitas Brawijaya, 4(5). Sari, N. P., Indrawati, N. D. & Kumalasari, N., 2011. Gambaran Karakteristik Ibu Hamil yang Menderita Kekurangan Energi Kronis (KEK) di Kecamatan Wonosalam Kabupaten Demak. Semarang: Fakultas Ilmu Keperawatan dan Kesehatan, Universitas Muhammadiyah Semarang. Sibagariang, E. E., 2010. Gizi Dalam Kesehatan Reproduksi. Jakarta: Trans Info Media. Suhartono, E., 2015. Optimasi Penjadwalan Mata Kuliah dengan Algoritme Genetika (Studi Kasus di AMIK JTC Semarang). INFOKAM, pp. 132-146. Sulistiowati, F., 2016. Optimasi Susunan Bahan Makanan Sehat Untuk Pemenuhan Gizi Keluarga dengan Algoritme Evolution Strategies. DORO: Repository Jurnal Mahaswa PTIIK Universitas Brawijaya, 8(24).


Supariasa, I. D. N., Bakri, B. & Fajar, I., 2002. Penilaian Status Gizi. Jakarta: Penerbit Buku Kedokteran EGC. Syari, M., Serudji, J. & Mariati, U., 2015. Peran Asupan Zat Gizi Makronutrien Ibu Hamil terhadap Berat Badan Lahir Bayi di Kota Padang. Jurnal Kesehatan Andalas, 4(3), pp. 729-736. Wahid, N. & Mahmudy, W. F., 2015. Optimasi Komposisi Makanan Untuk Penderita Kolesterol Menggunakan Algoritme Genetika. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, 5(15). Walyani, E. S., 2015. Asuhan Kebidanan Pada Kehamilan. Yogyakarta: Pustaka Baru Press. Wulandari, H. A. F., Putri, R. R. M. & Mahmudy, W. F., 2014. Sistem Pakar Tindakan Bidan Pada Pemeriksaan Ibu Hamil Dengan Metode Technique for Order Preference by Similarity to Ideal Solutions (TOPSIS). DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, 4(4).


2769

Optimasi Susunan Bahan Makanan untuk Ibu Hamil Kurang Energi Kronis (KEK) Menggunakan Algoritme Genetika

Recommend Documents